苹果iPhoneAPP开发教程iOS教程.zip1.如何注册成为苹果开发者10.通用应用程序(非手机app)12.相机管理13.定位操作2.下载IDE3.Xcode4.Objective-C5.创建第一款iPhone应用程序6.操作和输出口7.委托（Delegetas）8.UI元素9.加速度传感器(accelerometer)14.SQLite数据库15.发送电子邮件16.音频和视频17.文件处理18.地图开发19.应用内购买(App支付功能)20.iAD整合21.游戏开发GameKit22.故事板(Storyboards)23.自动布局24.
2025/7/11 17:42:41
1.91MB
1
刚刚接触UEditor，想找一个可运行的jsp版本，网上下载很多，浪费了20多分，依然不行啊。
后来自己按照网上的文档一步一步添加，终于可行。
现在可以上传图片、文字和视频，后期准备添加音频，加油
后来自己按照网上的文档一步一步添加，终于可行。
现在可以上传图片、文字和视频，后期准备添加音频，加油
2025/7/11 14:26:37
3.62MB
1
UltraEdit是一套功能强大的文本编辑器，UltraEdit可以编辑文本、十六进制、ASCII码，可以取代记事本，内建英文单字检查、C++及VB指令突显，可同时编辑多个文件，而且即使开启很大的文件也不会出现卡顿情况。
2025/7/11 8:57:31
45.12MB
1
如今，HTML5可谓如众星捧月一般，受到众多业内巨头的青睐。
很多Web开发者也尝试着用HTML5来制作各种Web应用。
HTML5规范引进了很多新特性，其中最令人期待的之一就是Canvas元素，HTML5Canvas提供了通过JavaScript绘制图形的方法，非常强大。
今天这篇文章收集了20个惊艳的HTML5Canvas应用试验推荐给大家。
使用Canvas模仿的3D布料图案效果。
这是我最喜欢的一个，非常神奇的效果！另外一个非常惊艳的布料模仿使用，拖动布料试试看！使用Canvas绘制的非常精美的分形（fractals）效果。
动感的字母颗粒效果动画。
使用Canvas绘制的星云图。
HTML5Cava
很多Web开发者也尝试着用HTML5来制作各种Web应用。
HTML5规范引进了很多新特性，其中最令人期待的之一就是Canvas元素，HTML5Canvas提供了通过JavaScript绘制图形的方法，非常强大。
今天这篇文章收集了20个惊艳的HTML5Canvas应用试验推荐给大家。
使用Canvas模仿的3D布料图案效果。
这是我最喜欢的一个，非常神奇的效果！另外一个非常惊艳的布料模仿使用，拖动布料试试看！使用Canvas绘制的非常精美的分形（fractals）效果。
动感的字母颗粒效果动画。
使用Canvas绘制的星云图。
HTML5Cava
2025/7/10 19:15:18
1.01MB
1
RPN计算器ProgramInputEachlineoftheinputfile(prob12.in)containsaseriesofnumbersandoperators.TheprogrammustevaluatetheselinesasRPNexpressions.Alltokensareseparatedbyoneormorespaces.Numbersmaybenegative.Validoperatorsare+(addition),-(subtraction),*(multiplication)and/(division).ThelastlineofthefilecontainsonlythewordEND:1637+*432.12513–*20+5–3*42/631–/++ENDProgramOutputTheprogramwillprintthecomputedresultofeachRPNexpressiononaseparateline.16096.5-10
2025/7/5 3:21:37
2KB
1
PD数据库由训练和测试文件组成。
培训数据属于20名PWP（6名女性，14名男性）和20名健康人（10名女性，10名男性），他们在伊斯坦布尔大学Cerrahpasa医学院神经系上诉。
从所有主题，采取多种类型的录音（26个声音样本，包括持续元音，数字，单词和短句）。
从每个语音样本中提取一组26个线性和时间-基于频率的特征。
由该专家医师确定的每个患者的UPDRS（（统一帕金森氏病评分量表）分数也可用于该数据集）因此，该数据集也可用于回归。
在收集由多种类型的录音组成的训练数据集并进行实验后，根据所获得的结果，我们继续在相同条件下通过同一医生的检查过程收集来自PWP的独立测试集。
在收集这个数据集的过程中，28名PD患者被要求分别只说出持续元音'a'和'o'三次，共计168次录音。
从该数据集的语音样本中提取相同的26个特征。
这个数据集可以作为一个独立的测试集来验证在训练集上获得的结果。
培训数据属于20名PWP（6名女性，14名男性）和20名健康人（10名女性，10名男性），他们在伊斯坦布尔大学Cerrahpasa医学院神经系上诉。
从所有主题，采取多种类型的录音（26个声音样本，包括持续元音，数字，单词和短句）。
从每个语音样本中提取一组26个线性和时间-基于频率的特征。
由该专家医师确定的每个患者的UPDRS（（统一帕金森氏病评分量表）分数也可用于该数据集）因此，该数据集也可用于回归。
在收集由多种类型的录音组成的训练数据集并进行实验后，根据所获得的结果，我们继续在相同条件下通过同一医生的检查过程收集来自PWP的独立测试集。
在收集这个数据集的过程中，28名PD患者被要求分别只说出持续元音'a'和'o'三次，共计168次录音。
从该数据集的语音样本中提取相同的26个特征。
这个数据集可以作为一个独立的测试集来验证在训练集上获得的结果。
2025/6/28 20:20:56
20.29MB
1
ST5.X的电机库文档说明，对这个电机库有简答的说明，不包含源代码文件
2025/6/28 14:11:29
1.33MB
1
一.匹配(20)A.去睡觉B.起床C.在家D.去商店E.吃早饭F.读书 G.去游泳H.帮助妈妈I.踢足球J.看望奶奶 1. getup（） 2.gotobed（） 3. eatbreakfast（） 4. athome（） 5. readabook（） 6. gotothestore（） 7. helpmom（） 8. goswimming（）
2025/6/27 20:58:17
15KB
1
MATLAB中AR模型功率谱估计中AR阶次估计的实现-psd_my.rar（最近看了几个关于功率谱的问题，有关AR模型的谱估计，在此分享一下，希望大家不吝指正）（声明：本文内容摘自我的毕业论文——心率变异信号的预处理及功率谱估计）（按：AR模型功率谱估计是对非平稳随机信号功率谱估计的常用方法，但是其模型阶次的估计，除了HOSA工具箱里的arorder函数外，没有现成的函数可用，arorder函数是基于矩阵SVD分解的阶次估计方法，为了比较各种阶次估计方法的区别，下面的函数使用了'FPE','AIC','MDL','CAT'集中准则一并估计，并采用试验方法确定那一个阶次更好。
）………………………………以上省略……………………………………………………………………假设原始数据序列为x，那么n阶参数使用最小二乘估计在MATLAB中实现如下：Y=x;Y(1:n)=[];m=N-n;X=[];%构造系数矩阵fori=1:m forj=1:n X(i,j)=xt(ni-j); endendbeta=inv(X'*X)*X'*Y';复制代码beta即为用最小二乘法估计出的模型参数。
此外，还有估计AR模型参数的Yule-Walker方程法、基于线性预测理论的Burg算法和修正的协方差算法等[26]。
相应的参数估计方法在MATLAB中都有现成的函数，比如aryule、arburg以及arcov等。
4.3.3AR模型阶次的选择及实验设计文献[26]中介绍了五种不同的AR模型定阶准则，分别为矩阵奇异值分解（SingularValueDecomposition,SVD）定阶法、最小预测定误差阶准则（FinalPredictionErrorCriterion,FPE）、AIC定阶准则（Akaika’sInformationtheoreticCriterion,AIC）、MDL定阶准则以及CAT定阶准则。
文献[28]中还介绍了一种BIC定阶准则。
SVD方法是对Yule-Walker方程中的自相关矩阵进行SVD分解来实现的，在MATLAB工具箱中arorder函数就是使用的该算法。
其他五种算法的基本思想都是建立目标函数，阶次估计的标准是使目标函数最小化。
以上定阶准则在MATLAB中也可以方便的实现，下面是本文实现FPE、AIC、MDL、CAT定阶准则的程序（部分）：form=1:N-1 …… %判断是否达到所选定阶准则的要求 ifstrcmp(criterion,'FPE') objectfun(m1)=(N(m1))/(N-(m1))*E(m1); elseifstrcmp(criterion,'AIC') objectfun(m1)=N*log(E(m1))2*(m1); elseifstrcmp(criterion,'MDL') objectfun(m1)=N*log(E(m1))(m1)*log(N); elseifstrcmp(criterion,'CAT') forindex=1:m1 temp=temp(N-index)/(N*E(index)); end objectfun(m1)=1/N*temp-(N-(m1))/(N*E(m1)); end ifobjectfun(m1)＞=objectfun(m) orderpredict=m; break; endend复制代码orderpredict变量即为使用相应准则预测的AR模型阶次。
（注：以上代码为结合MATLAB工具箱函数pburg,arburg两个功率谱估计函数增加而得，修改后的pburg等函数会在附件中示意，名为pburgwithcriterion）登录/注册后可看大图程序1.JPG(35.14KB,下载次数:20352)下载附件 保存到相册2009-8-2820:54上传登录/注册后可看大图程序2.JPG(51.78KB,下载次数:15377)下载附件 保存到相册2009-8-2820:54上传下面本文使用3.2.1实验设计的输出结果即20例经预处理的HRV信号序列作为实验对象，分别使用FPE、AIC、MAL和CAT定阶准则预测AR模型阶次，图4.1（见下页）为其中一例典型信号使用不同预测准则其目标函数随阶次的变化情况。
从图中可以看出，使用FPE、AIC以及MDL定阶准则所预测的AR模型阶次大概位于10附近，即阶次10左右会使相应的目标函数最小化，符合定阶准则的要求，使用CAT定阶准则预测的阶次较小，在5~10之间。
图4.2（见下页）为另一例信号的阶次估计情况，从中也可以得到同样的结论。
（注，实验信号为实验室所得，没有上传）登录/注册后可看大图图片1.JPG(28.68KB,下载次数:5674)下载附件 保存到相册2009-8-2820:54上传
）………………………………以上省略……………………………………………………………………假设原始数据序列为x，那么n阶参数使用最小二乘估计在MATLAB中实现如下：Y=x;Y(1:n)=[];m=N-n;X=[];%构造系数矩阵fori=1:m forj=1:n X(i,j)=xt(ni-j); endendbeta=inv(X'*X)*X'*Y';复制代码beta即为用最小二乘法估计出的模型参数。
此外，还有估计AR模型参数的Yule-Walker方程法、基于线性预测理论的Burg算法和修正的协方差算法等[26]。
相应的参数估计方法在MATLAB中都有现成的函数，比如aryule、arburg以及arcov等。
4.3.3AR模型阶次的选择及实验设计文献[26]中介绍了五种不同的AR模型定阶准则，分别为矩阵奇异值分解（SingularValueDecomposition,SVD）定阶法、最小预测定误差阶准则（FinalPredictionErrorCriterion,FPE）、AIC定阶准则（Akaika’sInformationtheoreticCriterion,AIC）、MDL定阶准则以及CAT定阶准则。
文献[28]中还介绍了一种BIC定阶准则。
SVD方法是对Yule-Walker方程中的自相关矩阵进行SVD分解来实现的，在MATLAB工具箱中arorder函数就是使用的该算法。
其他五种算法的基本思想都是建立目标函数，阶次估计的标准是使目标函数最小化。
以上定阶准则在MATLAB中也可以方便的实现，下面是本文实现FPE、AIC、MDL、CAT定阶准则的程序（部分）：form=1:N-1 …… %判断是否达到所选定阶准则的要求 ifstrcmp(criterion,'FPE') objectfun(m1)=(N(m1))/(N-(m1))*E(m1); elseifstrcmp(criterion,'AIC') objectfun(m1)=N*log(E(m1))2*(m1); elseifstrcmp(criterion,'MDL') objectfun(m1)=N*log(E(m1))(m1)*log(N); elseifstrcmp(criterion,'CAT') forindex=1:m1 temp=temp(N-index)/(N*E(index)); end objectfun(m1)=1/N*temp-(N-(m1))/(N*E(m1)); end ifobjectfun(m1)＞=objectfun(m) orderpredict=m; break; endend复制代码orderpredict变量即为使用相应准则预测的AR模型阶次。
（注：以上代码为结合MATLAB工具箱函数pburg,arburg两个功率谱估计函数增加而得，修改后的pburg等函数会在附件中示意，名为pburgwithcriterion）登录/注册后可看大图程序1.JPG(35.14KB,下载次数:20352)下载附件 保存到相册2009-8-2820:54上传登录/注册后可看大图程序2.JPG(51.78KB,下载次数:15377)下载附件 保存到相册2009-8-2820:54上传下面本文使用3.2.1实验设计的输出结果即20例经预处理的HRV信号序列作为实验对象，分别使用FPE、AIC、MAL和CAT定阶准则预测AR模型阶次，图4.1（见下页）为其中一例典型信号使用不同预测准则其目标函数随阶次的变化情况。
从图中可以看出，使用FPE、AIC以及MDL定阶准则所预测的AR模型阶次大概位于10附近，即阶次10左右会使相应的目标函数最小化，符合定阶准则的要求，使用CAT定阶准则预测的阶次较小，在5~10之间。
图4.2（见下页）为另一例信号的阶次估计情况，从中也可以得到同样的结论。
（注，实验信号为实验室所得，没有上传）登录/注册后可看大图图片1.JPG(28.68KB,下载次数:5674)下载附件 保存到相册2009-8-2820:54上传
2025/6/27 16:08:25
6KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB